211service.com
La science émergente de l'anthropologie computationnelle
La disponibilité croissante des mégadonnées à partir des téléphones mobiles et des applications basées sur la localisation a déclenché une révolution dans la compréhension des modèles de mobilité humaine. Ces données montrent le flux et le reflux des déplacements quotidiens dans et hors des villes, le schéma des déplacements dans le monde et même comment la maladie peut se propager dans les villes via leurs systèmes de transport.
Il y a donc un intérêt considérable à examiner de plus près les modèles de mobilité humaine pour voir à quel point elle peut être prédite et comment ces prédictions pourraient être utilisées dans tous les domaines, du contrôle des maladies et de la planification urbaine aux prévisions de trafic et à la publicité géolocalisée.
Aujourd'hui, nous avons un aperçu du type de détails possibles grâce au travail de Zimo Yang de Microsoft Research à Pékin et de quelques amis. Ces types partent de l'hypothèse que les personnes qui vivent dans une ville ont un modèle de mobilité très différent de ceux qui sont simplement en visite. En divisant les voyageurs en locaux et non locaux, leur capacité à prédire où les gens sont susceptibles de se rendre s'améliore considérablement.
Zimo et co commencent avec les données d'un réseau social chinois basé sur la localisation appelé Jiepang.com. Ceci est similaire à Foursquare aux États-Unis. Il permet aux utilisateurs d'enregistrer les endroits qu'ils visitent et de se connecter avec des amis à ces endroits et de trouver d'autres personnes ayant des intérêts similaires.
Les points de données sont connus sous le nom d'enregistrements et l'équipe en a téléchargé plus de 1,3 million dans cinq grandes villes de Chine : Pékin, Shanghai, Nanjing, Chengdu et Hong Kong. Ils ont ensuite utilisé 90 % des données pour former leurs algorithmes et les 10 % restants pour les tester. Les données de Jiapang incluent les villes d'origine des utilisateurs, il est donc facile de voir si une personne s'enregistre dans sa propre ville ou ailleurs.
La question à laquelle Zimo et co veulent répondre est la suivante : étant donné un utilisateur particulier et sa localisation actuelle, où sont-ils le plus susceptibles de visiter dans un proche avenir ? En pratique, cela signifie analyser les données de l'utilisateur, telles que sa ville natale et les lieux récemment visités, et dresser une liste des autres lieux qu'il est susceptible de visiter en fonction du type de personnes qui ont visité ces lieux dans le passé.
Zimo et co ont utilisé leur ensemble de données de formation pour connaître le modèle de mobilité des habitants et des non-locaux et la popularité des lieux qu'ils ont visités. L'équipe a ensuite appliqué cela à l'ensemble de données de test pour voir si leur algorithme était capable de prédire où les habitants et les non-locaux étaient susceptibles de se rendre.
Ils ont découvert que leurs meilleurs résultats provenaient de l'analyse du modèle de comportement d'un individu particulier et de l'estimation de la mesure dans laquelle cette personne se comporte comme un local. Cela a produit une pondération appelée coefficient d'indigénisation que les chercheurs pourraient ensuite utiliser pour déterminer les modèles de mobilité que cette personne était susceptible de suivre à l'avenir.
En fait, Zimo et ses collègues disent qu'ils peuvent repérer les non-locaux de cette manière sans même connaître l'emplacement de leur domicile. Parce que les non-autochtones ont tendance à visiter des endroits populaires, comme le palais impérial de Pékin et le Bund à Shanghai, tandis que les autochtones s'enregistrent généralement autour de leur domicile et de leur lieu de travail, ajoutent-ils.
L'équipe affirme que cette approche surpasse considérablement les algorithmes mixtes qui n'utilisent que l'historique des visites individuelles et la popularité de l'emplacement. À notre grande surprise, un algorithme hybride pondéré par les coefficients d'indigénisation surpasse l'algorithme mixte tenant compte des informations démographiques supplémentaires.
Il est facile d'imaginer à quel point un tel algorithme pourrait être utile pour les entreprises qui souhaitent cibler certains types de voyageurs ou de personnes locales. Mais il y a aussi une application plus intéressante.
Zimo et co disent qu'il est possible de surveiller la façon dont les modèles de mobilité d'un individu changent au fil du temps. Donc, si une personne déménage dans une nouvelle ville, il devrait être possible de voir combien de temps il lui faut pour s'y installer.
Une façon de mesurer cela réside dans leurs schémas de mobilité : s'ils ressemblent davantage à ceux d'un local ou d'un non local. Nous pouvons être en mesure d'estimer si une personne non autochtone se comportera comme une personne autochtone après une période de temps et, si oui, combien de temps en moyenne une personne prend pour devenir une personne autochtone, disons Zimo et co.
Cela pourrait avoir un impact fascinant sur la façon dont les anthropologues étudient la migration et la façon dont les immigrants font partie d'une communauté locale. Il s'agit d'anthropologie computationnelle, une science qui en est clairement à ses débuts, mais qui a un potentiel énorme pour l'avenir.
Réf : arxiv.org/abs/1405.7769 : L'indigénisation de la mobilité urbaine